「可交互音视频」共找到 5082 篇相关文章
NovaSR：一个52KB的音频超分模型，把16kHz模糊音频变成48kHz清晰版
最近，只有52KB的音频超分辨率模型NovaSR开源，能把16kHz模糊音频变成48kHz清晰版，处理速度极快，可实时处理音频流。它能提升TTS模型质量等，虽有不足，但平衡了速度与质量。
从Demo到行业落地的Agents：技术、应用与评估
通用LLM Agent工业落地有短板，哈工大深圳与华为提出L1 - L5工业Agent能力成熟度框架，映射技术演进与产业场景，覆盖50+行业案例、300+评测基准，给出可量化‘爬级’路线。
AI读网页，这次真不一样了，谷歌Gemini解锁「详解网页」新技能
谷歌在Gemini API上线URL Context功能，能让Gemini模型访问并处理URL内容。与普通扔链接给AI不同，它可深度完整解析文档。有深度解析PDF等能力，被指或成RAG替代方案，也有能力边界。
让AI作画自己纠错！随机丢模块就能提升生成质量，告别塑料感废片
来自清华、阿里等的团队推出S² - Guidance方法，通过随机丢弃网络模块动态构建子网络实现自我修正。它避免了其他方法繁琐调参，在文生图和文生视频任务中显著提升生成质量与连贯性，且计算高效。
一句话搞定多任务出行，高德用空间智能重新定义地图
高德地图推出业内首个专精“出行与生活”的智能体“小高老师”，依托时空感知多智能体协作系统ST - MAC，可满足复杂出行与生活需求。它重新定义地图，将出行与生活服务融合，引领行业体验深度竞争。
AI生图迎来大升级：图像编辑达到像素级！背后团队大多来自Stable Diffusion模型基础技术发明团队
Stable Diffusion缔造者团队创立的 BFL 发布全新图像生成模型 FLUX.1 Kontext，可实现像素级图像编辑。它能以文本和图像为输入，有 Pro、Max、Dev 三版本，已在多平台上线，获用户好评，但也面临竞争。
最懂科学的开源基础大模型『书生-S2』发布：科学能力比肩顶尖闭源，通用性能居开源第一梯队
上海人工智能实验室在2026浦江创新论坛发布开源基础大模型书生-S2，该模型科学能力比肩顶尖闭源模型，通用能力居开源第一梯队，创新架构支持专业知识持续扩展，强化长程科研与智能体能力，可为真实科研任务提供支撑。
复盘 AI 陪伴消亡史：我们究竟做错了什么？
文章复盘了 AI 陪伴从高光到转折的历程，分析用户需求从猎奇到追求深层情感交互的演变，探讨产品设计迭代，指出用户体验不佳、厂商未实现 PMF 等问题，也提及市场积极信号，对未来发展持观望态度。
向黄仁勋汇报的英伟达36人
市值第一的英伟达，有36人可直接向CEO黄仁勋汇报，他们分属七个职能板块。硬件是基石，AI等成第二支柱，公关团队配置特殊。介绍了关键将领，还提及管理模式从扁平到可能垂直化的转变及高压文化。
一键式训练端到端Agent，Qwen3+MCP工具集高效集成！
RLFactory是开源的端到端RL后训练框架，将环境与训练解耦，用Qwen3基座调用MCP工具集，可低代码训练端到端Agent模型。它极致易用、训练高效，还支持一键式训练，未来会更易用高效。